灰度直方图

横坐标：是 0~255 表示灰度值的范围

纵坐标：是在不同灰度值下像素的个数！

那么灰度直方图的本质就是统计不同灰度下像素的个数！

它的直观目的，就是查看灰度的分布情况！

与之相关的函数：

全局的阈值分割 threshold 

threshold (ImageChannel3, Regions, 248, 255)

选择一个灰度范围，分割出在次范围中的像素。

 binary_threshold

binary_threshold (ImageChannel3, Region, ‘max_separability’, ‘dark’, UsedThreshold)

如果你的背景和产品是很分明的，各自的灰度都有一个峰值（如上图） 

这个函数会自动生产一个灰度值，可以很好的区分产品和背景。

‘max_separability’ 是一个算法的选择

‘dark’ 表示你想要的是比较暗的那个部分！

UsedThreshold，就是根据算法自动算出的灰度值！

mean_image

mean_image (Image, ImageMean, 13, 13)

字面意思就是，求图像的平均。专业的说法就是 【大名鼎鼎的】 均值滤波。

第一个参数是原始的图片，第二个参数是，滤波后的图片，最后两个参数表示，卷积核的大小（也就是平均的一个范围的大小）

具体的算法过程就是，一个卷积核，就像一个网格罩子，每次从原图取出 如13*13个像素，通过周围的像素，算出一个平均值给中心的像素。卷积核会从头到尾，扫描整幅图片。（图片边缘处更具卷积核大小，通过镜像将像素点补齐）

那这样得出的图片的每个像素点的值，都是它原本图片的周围像素点的平均值！ 

我们来看看均值滤波的效果：

 均值滤波后，给人的第一感觉就是，图片变模糊了，轮廓处没有那么分明了！

“ 那个这个均值滤波感觉没啥作用啊！”，我一度这么认为。

但其实，我们对对图片做某种滤波操作是，有的时候并不是为了宏观上的图片展示效果，而是微观上每个像素的值！

比如均值滤波！得到每个像素值后再结合另个一个算子dyn_threshold达到目的！

dyn_threshold

dyn_threshold算子，字面意思就是 动态阈值，又称 局部阈值。比全局阈值 threshold 多了一个前缀 dyn_ 。不管是动态阈值，还是全局阈值，他们的目的都是 为了 做图片分割！把我们感兴趣的部分挑出来。动态阈值 的优势在于，在光照不均匀的情况下做分割！

我们来看看这张图片：

 很明显的光照不均匀，左边的偏暗，右边的偏亮！就是说产品是一个整体，是我们感兴趣的地方，需要将其分割出来，但是产品的左边变暗，右边偏亮，如果用全局阈值，那边我们很难将产品从图片中分割出来。全局分割效果如下：

 动态阈值（局部阈值），就能解决这个问题！它的思路是，将某个像素和周围的像素做对比，如果比 周围像素的平均值 高出某个值 就会被分割出来。这就体现了局部的特点。从而避开了光照不均的问题。

那现在的问题是 周围像素的平均值 哪里来？没错，就是 mean_image。

mean_image 和  dyn_threshold 一般是联合使用的。

首先，对图片做一个均值滤波（mean_image ），然后通过动态阈值（dyn_threshold ），将原图的每个像素点 和 均值后的图片的每个像素点 进行对比，分割出高出平均值一定值的像素点。

mean_image (Image, ImageMean, 27, 27)
dyn_threshold (Image, ImageMean, RegionDynThresh, 5, 'light') 

dyn_threshold 参数解释：

第四个参数（5） 的意思 就是 如果比 平均值高出5，那么这个像素就是我们想要的。

反之如果一个黑色的像素值为1，周围也都是值为1的黑色，那么平均出来的值肯定也是1，这样的像素点就会被剔除。

所以动态阈值的核心思想找和周围像素差值比较大的像素点。从而解决光线不均的问题。

mean_image 卷积核大小的选择：

卷积核越大，平均的范围就越大，也就是这个“局部”越大！如果我们把卷积核设置的比较小，看看会有什么情况：

 有的产品边缘提取出来是空心的，这是因为，产品边缘线中间的区域像素差不多，在加上平均的局部区域比较小，那么中间的像素和平均像素就会相差无几，所以不会被选中。

这时，我们就需要增加卷积核的大小，卷积核的大小得比你想选中得边缘要大，这样求出均值就会更低，这样就不会出现空心的问题。

例子参考

动态阈值还有一个小例子供大家参考：

【halcon】例子分析之动态阈值_code bean的博客-CSDN博客之前的【halcon】系列文章中，有介绍全局，阈值的方法，threshold。但是当我们的图片的背景光线不均匀时，我们就需要动态阈值的方式，及不同的明度区域使用不同的阈值。如：这张图就是明暗不均，我们没有办法使用全局的阈值挑选出全部的“棋子”动态阈值时根据周围的环境进行对比的，使用我们先需要做一个均值滤波：做了这个均值滤波之后得到了一个“明暗的背景”，它并不是最终的结果，而是一个动态阈值的参考对象。使用 light，表示和平均值相比offset=15，更亮的部分。使用 dark，表示和平均https://blog.csdn.net/songhuangong123/article/details/125152743#:~:text=%E5%8F%91%E5%B8%83-,%E3%80%90halcon%E3%80%91%E4%BE%8B%E5%AD%90%E5%88%86%E6%9E%90%E4%B9%8B%E5%8A%A8%E6%80%81%E9%98%88%E5%80%BC,-code%20bean

 小结：

这篇文章，由灰度直方图，引出了三个常用的用于分割的函数：

1.  threshold 全局阈值分割
2.  binary_threshold
3.  dyn_threshold 动态阈值分割
4.  mean_image 均值滤波。

更多的，分割算子可以到halcon的实例代码中的Segmentation分区中去寻找：